Так кому же принадлежит ЦБ?!

Наконец-то нормальный ОТС запустили!

🎉 Розыгрыш 5 книг для подписчиков Quant Researcher!

📚 Приз:

В зеркале супермоделей. Рассказы о моделях в финансовой экономике с примерами, историями и лирическими отступлениями. В 2 кн. | Ильинский Кирилл, Буев Максим Вячеславович

🛠 Чтобы участвовать:
1. Подпишитесь на канал.
2. Напишите в комментариях к этому посту: какая книга по финансам, трейдингу или программированию или машинному обучению в финансах изменила ваш взгляд и почему.
3. (+1 шанс) Пригласите друга — укажите @ник дополнительным комментарием. Больше приглашений — больше шансов.

⌛ Собираем комментарии до 31 июля, 18:00 (CEST).
🧩 Победители будут выбраны рандомно с помощью квант-скрипта.
🧾 Итоги — 4 августа в отдельном посте.

Победители получат книгу почтой или курьерской службой. Придумаем, как доставить вам уникальные знания :)

P.S. Сперва думали сделать кэггл, кто больше проиграет на торговле волой на битке, но оставили на следующий раз 😉

Удачи всем! 🚀

Quant Researcher

Вот это, конечно, alternative data, даааа 🥴

Пожалуйста, не надо это торговать…

Quant Researcher

😳 Итоги розыгрыша книг

Ребята, спасибо большое за вашу активность. Нам очень приятно быть частью квантового коммьюнити.

Подведем итоги. 44 комментария, 36 шанса выиграть. Объявляем победителей:

- @Bobo143
- @mershov1
- @Sonhador0
- @tonystarkforever
- @StanislavInf

Поздравляем! В ближайшее время мы напишем вам, чтобы договориться по доставке.

P.S. Код для случайного выбора победителей является частью торговой инфраструктуры и попадает под NDA. Мы им выбираем акции :)

Quant Researcher

‼️ Возвращаемся из мира трейдинга с новостями

1) Мы готовим открытую лекцию по опционам. Точно проводим ее в этом году!

2) Также работаем по образовательным направлениям, в том числе в коллаборации с Высшей школой экономики. Мы обязательно напишем, если у нас все получится.

3) Готовим еще кое-что интересное, но это на Новый год!

А пока хотим поблагодарить вас за активность в чате, вы супер! Приходите с вопросами. Давайте общаться 🫶🏻

Предлагаем тему на обсуждение: что вы хотите видеть больше в этом канале — библиотеки для квантов, торговые сигналы 🤡, торговые стратегии, вопросы и задания из собеседований квантов, прайсинг вол свопа, — что из этого? Что-то еще? Напишите в чате.

——

Я добавил колл-ту-экшен про направленность канала, как ты просил. Хочешь я подготовлю план лекции по опционам? 😉

Quant Researcher

Financial Data Science Python Notebooks — большой набор Jupyter‑ноутбуков про финансы

https://terence-lim.github.io/docs/financial-data-science-notebooks/README.html

Авторы собрали практические примеры по финансовой эконометрике, временным рядам и машинному обучению.

😎 Данные, данные, данные…

Вместе с ноутбуками поставляется библиотека FinDS, которая демонстрирует, как строить пайплайн для работы с финансовыми базами. Например, с макроэкономическими данными от FRED и BEA.

🅱️ Классические вопросы: цены, факторы и регрессии

Если вас интересуют классические стратегии, здесь есть ноутбуки про свойства цен и тестирование гипотез по методике Джегадиша—Титмана (моментум на CRSP‑акциях, оценка моментов и Newey—West стандарты ошибок). Есть материалы по исследованию Фама—Френч (стоимость и размер, линейные регрессии на CRSP/Compustat), по кросс‑секционным регрессиям Фама—Макбет (CAPM, нелинейные регрессии и квадратичная оптимизация), а также разбор стратегий контртренда с учетом структурных разрывов и затрат на реализацию.

🔮 Макроэкономика и риск‑менеджмент

Более широкие темы включают анализ экономических показателей (прогнозы, занятость, выбросы), тесты регрессий для индексов потребительских и производственных цен, промышленного производства и инфляции.

Есть ноутбуки по моделям пространственных состояний (скрытые марковские модели, гауссовы смеси), по кривой доходности и моделированию структуры процентных ставок, по факторной структуре доходностей облигаций (PCA), по оценке опционов (биномиальные деревья, Black–Scholes–Merton, Монте‑Карло), по Value‑at‑Risk для криптовалют.

🪐 Текстовый анализ и NLP

В ноутбуках по NLP разбирают, как построить тематические модели для стенограмм FOMC, оценить тональность отчётов 10‑K/10‑Q на основе словарей Loughran–Macdonald, проанализировать описания бизнеса с использованием методов POS‑тэггинга и кластеризации.

Далее идут примеры классификации отраслей, прогнозов макроэкономических индикаторов и нейросетей с эмбеддингами слов, использование сверточных и рекуррентных сетей для прогнозирования макро данных, примеры reinforcement learning для планирования пенсионных расходов.

🤡 LLM‑ы

И наконец, черешенка на торте — раздел про большие языковые модели: построение языковых моделей для «Федспика», анализ SEC Edgar, fine‑tuning моделей на индустриальной классификации, prompt‑инжиниринг для новостного сентимента и даже проектирование multi‑agent LLM‑систем для оценки корпоративной благотворительности, чего только не придумают.

Крутая энциклопедия по современному количественному анализу: от классической эконометрики и факторного анализа до сетевой науки, NLP и LLM‑агентов.

Что из этого вы пробовали? Приходите к нам в чат, обсудим)

Quant Researcher

‼️ Наши дорогие студенты квант курсов ищут квантов в команду, мы рады помочь

——

Ищем квантов-аналитиков в инвестфонд. Стартовый капитал $100k

Мы собираем новый инвестиционный фонд с сильным уклоном в алгоритмическую торговлю и quantitative research. На старте — $100k собственных средств, агрессивный рост в первые годы, последующее снижение риска и выход на стабильный масштаб. Планомерное увеличение капитала с помощью собственных средств (возможности и план до 2KK$) и с помощью инвестиций (без ограничений). Уже под управлением личных средств на Мосбирже и FORST >2kk$.

Кого ищем:
• Quant Analyst / Quant Researcher (junior/middle/senior — зависит от опыта)
• Умение работать с финансовыми данными, строить модели (stat-arb, факторные, time-series, ML), проверять гипотезы.
• Навыки MQL5
• Навыки Python (необязательно, но приветствуется)
• Понимание рынка: акции, фьючерсы, FX или крипта.

Чем предстоит заниматься:
• Генерация и тестирование идей альфы.
• Построение и валидация моделей (backtest, walk-forward, risk metrics).
• Совместная работа с программистами над выходом стратегий в продакшн-пайплайн (боевой запуск и мониторинг).

Условия и мотивация:
• На старте — fix + доля в PnL пулах (прозрачная система поинтов: идеи, ресёрч, код, поддержка).
• Рост зарплаты и бонусов вместе с AUM.
• Возможность получить долю в фонде (profit interest, с вестингом) при долгосрочном участии.
• Работа удалённая, гибкий график, квартальные ревью.

Почему стоит к нам:
• «Зелёное поле» — вместе строим фонд с нуля.
• Агрессивная цель на 1 год: +70–100%, потом постепенное снижение риска и масштабирование.
• Чистая, понятная система выплат и роста.
• Минимум бюрократии, максимум ресёрча и тестов.

Контакты для связи: @applerockfx и @sournkz

Quant Researcher

🤖 ML инструменты кванта

В мире квантовых стратегий всем известны оси Ильинского: гамма‑риск, вега‑риск, jump‑риск (и тета). Эти оси помогают понять, какие риски и премии мы продаём или покупаем. Но когда речь заходит о машинном обучении, многие сразу представляют себе «магическую коробочку», которая будет угадывать цену завтра. Это заблуждение. ML в работе кванта — это набор инструментов для анализа и понимания данных.

Рассказываем, где ML действительно полезен.

📊 1. Сбор, отчистка и подготовка данных

Любая стратегия начинается с данных (треш на входе — треш на выходе). В современном альфа‑конвейере данные бывают числовые (котировки, фундаментальные показатели), реляционные (например, граф связей между компаниями), альтернативные (тексты в соцсетях, новости, спутниковые снимки, Wi‑Fi‑трафик) и даже симуляции (From Deep Learning to LLMs: A survey of AI in Quantitative Investment). Такие разнородные потоки нужно очистить, стандартизировать и привести к единому формату, а затем превратить в признаки, чтобы они могли служить входом для моделей, необязательно ML.

На этот этап уходит львиная доля времени кванта. И опыт ML может в этом сильно-сильно помочь!

🔍 2. Извлечение признаков и скрытых факторов

После чистки данных следует этап построения признаков и поиска скрытых структур. Здесь на помощь приходят методы без учителя. Кластеризация (K‑means, иерархические алгоритмы, DBSCAN) используется для сегментации рынка: данные группируются по объёму торгов, волатильности и другим атрибутам, что помогает выявить разные режимы и типы участников, иногда — натолкнуть на стратегию. Алгоритмы обнаружения аномалий (density‑based clustering, автоэнкодеры) нужны для выявления паттернов на рынке (Quantitative Finance and Machine Learning:
Transforming Investment Strategies, Risk Modeling, and
Market Forecasting in Global Markets).

Кластеризация, кстати, применяется не только на рыночных данных, но и в кредитном скоринге, но об этом можно почитать почти в любом ML-канале или изучить на практике, если поработать в банке.

🧠 3. Алгоритмическая торговля и управление ордерами

ML помогает не только анализировать данные, но и выполнять действия. В алгоритмической торговле модели управляют исполнением ордеров: supervised‑алгоритмы предсказывают краткосрочные движения, риски и факторы, unsupervised‑модели ищут необычные паттерны, а reinforcement learning обучает агента выбирать время выхода на рынок, максимизируя, например, дифференциальный коэффициент Шарпа. Такие системы анализируют ликвидность, волатильность и косты, чтобы оптимизировать execution.

⚖️ 4. Прозрачность

Мощные ML‑модели дают преимущество, но несут риски: переобучение, «чёрный ящик» и зависимость от качественных данных. Поэтому прозрачность и explainable AI — не пустые слова. Важно понимать, какие признаки определяют решения модели, и в идеале уметь объяснить их инвестору или хотя бы себе. Использование машинного обучения — это прежде всего развитие аналитики: мы усиливаем классические финансовые подходы, а не подменяем их.

Вместо итогов

Машинное обучение в работе кванта — это не про «угадывать цены», а строить инструменты:
• чистить и структурировать данные,
• извлекать информативные факторы,
• находить скрытые паттерны,
• измерять и контролировать риски,
• использовать новые источники информации.

Это ценный набор в арсенале кванта, дополняющий опционную геометрию и понимание рисков. Как и в примере с гаммой, вегой и jump‑риском, главное — понимать, какие риски вы покупаете, где вы зарабатываете премию и как ваша модель взаимодействует с рынком.

Что думаете? Какие ML‑инструменты уже использовали в своих стратегиях?

Quant Researcher

Принесли хакатон от наших гостей подкаста, скоро новый выпуск!

🚀 Соревнование для квантов и ML-разработчиков

🔮 Задача: предсказать курс ETH/USDC
💰 Призовой фонд — $2,500 (1 место), $1,500 (2 место), $1,000 (3 место)
👥 Участвовать можно индивидуально или в команде

📂 На странице соревнования: описание, датасеты и готовый ноутбук для старта.
https://www.notion.so/Overnight-Finance-Challenge-ETH-USDC-Predictions-25a2ab88fe6380f996e7c61fc9a9e036

Отличная возможность попробовать модели в реальной задаче, погрузиться в крипту и добавить пет-проджект в портфолио. Ну и, конечно же, победить!

Желаем удачи нашим дорогим подписчикам)

Quant Researcher

😉 Недавно с коллегами по деску вспомнали легендарные сделки и тактический шорт. Записали шесть любимых примеров

Ливермор и крах 1929‑го.
Джесси понимал: безумный рост акций заканчивается. В конце сентября он потихоньку-помаленьку закупал шорты через десятки брокеров, чтобы не светить объём. За несколько недель обвала он заработал около 100 млн $ — колоссальные деньги для того времени (по нынешним деньгам ≈1,5 млрд $). Некоторые его приёмы сейчас запрещены как рыночная манипуляция, но настрой «do your own research» останется актуальным всегда. Продолжение.

Сорос против Банка Англии.
Сорос видел: у Британии высокие ставки и слабая экономика, а фунт держится только на словах политиков. 16 сентября 1992‑го он увеличил шорт с $1,5 млрд до $10 млрд. Банк Англии поднял ставку до 15 %, распродал резервы — и всё равно скуксился. Фунт рухнул, Сорос заработал больше миллиарда. Суть — понимать макро‑картину и не бояться наращивать позицию, когда политики начинают дрожать. Ничего личного, просто шорт. Продолжение.

Чейнос и Энрон.
Джим Чейнос копнул отчётность Enron и нашёл несостыковочки: низкая доходность, агрессивный учёт, сомнительные внебалансовые структуры. Пока аналитики анализировали, он наращивал шорт. Итог: в 2001 г. компания дефолтнулась, акции обвалились почти до нуля, его фонд заработал порядка 500 млн $. Хороший пример, как умение читать цифры побеждает модные презентации и красивые истории. А точнее создает более красивые истории. Продолжение.

«Большой шорт».
Все же смотрели фильм с Кристианом Бейлом? Майкл Бэрри изучал ипотечные договоры и понял, что субпрайм‑пузырь неизбежно лопнет. Он купил дефолтные свопы и забрал почти 489% за несколько лет, лично заработав около $100 млн, а его инвесторы — более $700 млн. Джон Полсон сыграл ещё крупнее: вложил $147 млн и на обвале ипотеки сделал около $15 млрд. Кайл Басс на том же тренде превратил $110 млн в $700 млн. Продолжение.

Тэппер и банки 2009‑го.
В начале 2009 г. рынок опасался национализации крупных банков. Тэппер, изучив условия конвертации привилегированных акций по программе TARP, решил, что власти будут спасать банки, а не забирать их. Он скупал обычные и привилегированные акции Bank of America, Citigroup и долговые бумаги. К осени его фонд вырос на 117 %, по итогам года принёс около $7 млрд прибыли, из которых примерно $4 млрд ушли в карман самого Тэппера. Продолжение.

Акман и пандемия.
В феврале 2020‑го Билл Акман видел, как вирус распространяется быстрее, чем думают рынки. Он купил дешёвую кредитную защиту за $27 млн. Когда в марте всё рухнуло, продал хедж за $2,6 млрд — почти 10 000 % доходности — и тут же на эти деньги закупился любимыми акциями вроде Hilton, Starbucks и Berkshire. Шикарно отфондировался! В эфире CNBC он предупреждал: «hell is coming», но суть сделки в том, что хорошая страховка стоит недорого, если купить её вовремя. Продолжение.

У нас была похожая история в фонде, когда трейдер на первых репортах из Китая про ковид "на всю котлету" закупил путов на тройной етф на викс.

Важно: большие деньги приходят не от гадания, а от глубокого анализа, терпения и умения критически мыслить.

Или от тройного шорта на викс, ну или лонга, как повезет 😄

Важно 2: нужен капитал, чтобы фондировать шорты, а итоговая доходность может не окупить седые волосы из-за стоимости шорта — пример обсужали как-то на подкасте с нашим другом.

А какие истории помните вы?

Quant Reseracher

Было? 😄

Оригинал подсмотрели в таком прекрасном канале: https://t.iss.one/profunctor_io/11176

Quant Researcher

Аплаимся? 😄 или когда собрал все ключевые слова в заголовке

🎬 Запись лекции для студентов Quant.Courses «Опционы: интуиция, данные и управленческие решения»

Про рынок, риск и то, как на опционы реально смотрят кванты и управляющие:

1. Интуиция рынка через опционы
• зачем вообще появились рынки опционов (исторический контекст 1970-х)
• как бизнес и финансовые институты используют деривативы для управления риском
• почему опционные рынки — это агрегированное мнение о будущем, а не “предсказание”

2. Implied volatility как цена риска
• чем IV принципиально отличается от “реальной” волатильности
• роль спроса/предложения, ликвидности, хедж-флоу и регуляторных ограничений
• почему IV — это всегда риск плюс структура рынка

3. Опционные данные и цепочки
• как читать опционные цепочки и волатильностные поверхности
• где на поверхности есть информация, а где — шум
• почему работа с данными и фильтрация важнее выбора формулы

4. Модели: где помогают, а где мешают
• Black–Scholes–Merton как язык, а не истина
• что на практике делают SSVI, RND, regime switching
• ограничения моделей и опасность “ложного арбитража”

5. Сигналы vs сделки
• почему хороший статистический сигнал не гарантирует PnL
• роль carry, ликвидности и маржи
• как управляющие принимают решения в условиях неопределённости

Запись и материалы

🎥 Запись лекции: https://youtu.be/BBLX4_7lb2Y
📒 Воркбук: https://colab.research.google.com/drive/1qZiPfyYxvI-wC0bEPFsSHImAWABkidwl

🔗 Ресурсы спикеров:
• Канал Лидии: https://t.iss.one/hunt4quant
• Канал Александра: https://t.iss.one/alexandinvestments
• Сайт Бориса: https://bbelyakov.com

Спасибо всем, кто был live и задавал вопросы.
Скоро выйдет подкаст, до связи!

Quant Researcher

Nautilus Trader — индустриальный бэктестинг

https://github.com/nautechsystems/nautilus_trader

Если вы пытались превратить красивую идею в реплицируемый PnL, вы знаете, как это весело и увлекательно: бэктест не сходится, исполнение — по ценам с ффилами, а латенси существует только на словах.

Nautilus Trader — это попытка закрыть именно этот разрыв. Проект от Nautech Systems, open-source, сразу целится в production-grade trading stack.

🧠 Ключевая идея

Бэктест = симуляция реальной торговой системы, а не просто прогон сигналов по историческим ценам.

Библиотека моделирует не только рынок, но и ордера, исполнение, задержки, комиссии, частичную ликвидность, состояние портфеля, event-driven логику.

Фактически, это единый движок для research, backtesting, paper trading, live.

Без переписывания стратегии под каждый этап.

⚙️ Архитектура
- Event-driven ядро (никаких «for price in prices»)
- Строгое разделение:
- Strategy
- Execution
- Portfolio
- Risk
- Детальная модель ордеров (limit / market / stop / OCO и т.д.)
- Поддержка crypto, FX, equities
- Python + Rust (где нужна скорость)

Это не обертка над pandas, а торговый симулятор, ближе по духу к тому, как думают HFT / prop desks.

📊 Почему это важно для квантов

Большинство стратегий умирают не из-за идеи, а из-за недоучтённого исполнения, хвостов распределения PnL, нелинейностей при масштабировании.

Nautilus Trader заставляет как можно раньше подумать про ликвидность, проскальзывание, устойчивость PnL, path-dependence.

А значит — лучше понимать, какие риски вы реально покупаете или продаете.

⸻

А вы каким порошком пользуетесь:
• моделируете исполнение в бэктестах?
• знаете, чувствительность своего PnL от проскальзывания и комиссий?

Quant Researcher

🎙 Новый выпуск подкаста: криптоиндустрия и путь от традиционных рынков к DeFi

В этом выпуске говорим о том, как выглядит реальный переход из классических финансов в крипту и децентрализованные системы — с инженерным и риск-менеджерским взглядом.

Гость выпуска — финансист и предприниматель Максим Ермилов, который прошёл путь от работы в крупных финансовых институтах до создания собственных криптопроектов.

В выпуске:
1. Путь из традиционных финансов в криптоиндустрию: как выглядит профессиональный переход между индустриями, какие навыки переносятся, а какие — нет; типичные ошибки на старте

2. Запуск собственных проектов: первые проекты в Восточной Европе; операционные и регуляторные ограничения; почему технологии важны, но не решают всё

3. Техническая сторона криптопроектов: разработка торговых стратегий и моделей; работа с ликвидностью; реальные ограничения рынка против теоретических идей

4. DeFi vs традиционные финансы: ключевые отличия децентрализованных систем; роль смарт-контрактов; риски, которые часто недооценивают

5. Практика и советы начинающим: как собирать команду; какие технологии действительно имеют значение; перспективы индустрии и возможные сценарии развития

🎥 Смотреть выпуск:
https://youtu.be/KwvYMJEHg-g

Quant Researcher